💻 computer science

Automating Parent Selection Configuration in Genetic Programming with Agentic AI

Este artículo demuestra que un marco de IA agéntica que aprovecha los modelos de lenguaje de gran tamaño y la generación aumentada por recuperación puede automatizar eficazmente el diseño y la implementación de algoritmos de selección de progenitores para la programación genética, logrando un rendimiento competitivo en tareas de regresión simbólica comparable a métodos establecidos como $\epsilon$ -lexicase.

Autores originales: Jose Guadalupe Hernandez, Jui-Hsuan Chang, Anil Kumar Saini, Xi Li, Jason H. Moore

Publicado 2026-08-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jose Guadalupe Hernandez, Jui-Hsuan Chang, Anil Kumar Saini, Xi Li, Jason H. Moore

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el vasto panorama de la inteligencia artificial, una rama específica conocida como computación evolutiva imita la forma en que la naturaleza hace evolucionar la vida. Imagine un programa informático que no sigue un conjunto rígido de instrucciones escritas por un humano, sino que, en su lugar, crea una población de candidatos digitales, pone a prueba qué tan bien resuelven un problema y luego cría a los mejores para crear la siguiente generación. Este proceso, llamado programación genética, es poderoso porque puede descubrir soluciones complejas que los humanos tal vez nunca podrían concebir. Sin embargo, para que esta evolución digital funcione, la computadora necesita una forma de decidir qué candidatos tienen permitido reproducirse. Esta decisión se llama selección de progenitores. Si la computadora elige a los progenitores equivocados, toda la población podría estancarse o no mejorar. Tradicionalmente, los humanos han tenido que diseñar manualmente estas reglas de selección, una tarea que requiere una profunda experiencia y que a menudo implica una gran cantidad de ensayo y error. La pregunta que los investigadores se plantean ahora es si un nuevo tipo de inteligencia artificial, una que pueda razonar y buscar información como un experto humano, puede automatizar este difícil proceso de diseño.

Un equipo de investigadores se propuso probar esta idea construyendo un agente digital especializado diseñado para encargarse del trabajo de selección de progenitores. No le pidieron al agente que inventara una forma nueva de seleccionar progenitores desde cero, sino que identificara el mejor método existente y luego escribiera el código informático para hacerlo funcionar. Para lograrlo, le dieron al agente acceso a una biblioteca de artículos científicos sobre la selección de progenitores, permitiéndole recuperar conocimiento relevante tal como lo haría un investigador humano. El agente tenía la tarea de un objetivo simple: observar el problema, decidir qué método de selección funcionaría mejor y luego generar un programa funcional en Python que pudiera conectarse a un sistema de programación genética. Probaron esta configuración utilizando un tipo de problema llamado regresión simbólica, donde la computadora debe encontrar una fórmula matemática que se ajuste a un conjunto de puntos de datos. Este es un banco de pruebas común para estos sistemas porque requiere que la computadora descubra relaciones entre números sin que se le indiquen dichas relaciones.

Los investigadores realizaron una serie de experimentos para ver qué tan bien se desempeñaban diferentes versiones de su agente. Compararon un modelo de lenguaje de gran tamaño estándar, que depende únicamente de lo que aprendió durante su entrenamiento inicial, contra un agente que podía pensar en el problema paso a paso, y finalmente contra un agente que podía tanto pensar como buscar información en su biblioteca curada de artículos. Los resultados fueron reveladores. Cuando los modelos se dejaron depender únicamente de su conocimiento interno, casi siempre elegían un método muy básico y común llamado selección por torneo, donde se eligen algunos candidatos al azar y el mejor gana. Esta era la elección segura y familiar. Sin embargo, cuando se permitió a los agentes buscar información en la biblioteca, su comportamiento cambió drásticamente. Los agentes comenzaron a identificar e implementar un método más sofisticado conocido como selección epsilon-lexicase. Este método es más matizado; en lugar de mirar solo una puntuación general, evalúa a los candidatos basándose en qué tan bien se desempeñan en puntos de datos individuales específicos, lo que permite una evolución más diversa y, a menudo, más efectiva.

El estudio encontró que la capacidad de recuperar información era crucial para guiar al agente hacia estos mejores métodos, pero no garantizaba el éxito por sí sola. El tipo específico de modelo de inteligencia artificial utilizado importaba tanto como las herramientas que poseía. Un modelo en particular, al combinarse con la capacidad de buscar información, generó consistentemente los algoritmos de selección sofisticados y correctos, y funcionó tan bien como, o incluso mejor que, las versiones diseñadas por humanos. Esta configuración específica logró escribir código que implementaba el complejo método epsilon-lexicase con alta precisión, utilizando un enfoque estadístico para determinar qué tan estricta debía ser la selección. En pruebas directas de uno contra uno a través de seis problemas de datos del mundo real, este agente automatizado produjo resultados estadísticamente indistinguibles de los mejores métodos de selección diseñados por humanos y significativamente mejores que la selección básica por torneo.

Sin embargo, los investigadores también descubrieron que esta automatización aún no es perfecta. Si bien la mejor configuración funcionó de manera confiable, otras combinaciones de modelos y herramientas a veces producían código que parecía correcto pero fallaba al ejecutarse, o generaban algoritmos que funcionaban deficientemente porque erraban en los detalles de la matemática. El estudio demostró que tener acceso a una biblioteca de conocimiento no convierte automáticamente a una inteligencia artificial en un experto; el modelo subyacente debe ser capaz de interpretar correctamente esa información y traducirla en código funcional. Los investigadores concluyeron que, si bien la inteligencia artificial agéntica muestra una gran promesa para automatizar el diseño de estos sistemas evolutivos, actualmente es una herramienta que funciona mejor cuando se combina con el modelo adecuado y una supervisión cuidadosa. El trabajo demuestra un avance significativo, probando que las máquinas pueden comenzar a traducir el complejo conocimiento de dominio en componentes ejecutables, reduciendo potencialmente la pesada carga del diseño manual que durante mucho tiempo ha ralentizado la adopción de estas poderosas herramientas computacionales.

Resumen Técnico: Automatización de la Configuración de Selección de Padres en Programación Genética con IA Agéntica

Planteamiento del Problema
La Programación Genética (PG) ofrece una flexibilidad significativa para la regresión simbólica (RS) al permitir la personalización de representaciones, mecanismos de selección y operadores de variación. Sin embargo, esta flexibilidad crea un vasto espacio de diseño de elecciones algorítmicas y de parámetros interdependientes, lo que requiere una experiencia sustancial para configurarlos de manera efectiva. Esta barrera dificulta la adopción más amplia de la PG. Si bien la Inteligencia Artificial (IA) agéntica se ha propuesto como un mecanismo para automatizar tareas de diseño complejas mediante la extensión de los Modelos de Lenguaje de Gran Escala (LLM) con capacidades de razonamiento y uso de herramientas, su viabilidad para identificar e implementar componentes específicos y efectivos de la PG sigue siendo en gran medida inexplorada. Este estudio investiga si un marco de IA agéntica puede identificar e implementar autónomamente algoritmos de selección de padres para sistemas de PG sin requerir intervención manual.

Metodología
Los autores proponen un marco agéntico que combina un LLM con Generación Aumentada por Recuperación (RAG) para automatizar la selección e implementación de algoritmos de selección de padres. El marco utiliza un corpus curado de literatura sobre selección de padres para fundamentar el razonamiento del agente.

Arquitectura del Marco: El sistema emplea un agente especializado que recibe un prompt definiendo su rol como especialista en PG. El agente realiza dos tareas: (1) identificar un algoritmo de selección de padres apropiado y (2) implementarlo como una función de Python con una firma específica (selection(fitnesses)). El agente opera en un bucle de razonamiento iterativo, decidiendo autónomamente si confiar en su conocimiento interno o invocar una herramienta RAG para recuperar literatura relevante de una base de datos vectorial.
Configuración Experimental: El estudio utiliza seis problemas de regresión simbólica del mundo real del repositorio UCI Machine Learning Repository. Se utiliza un sistema de PG estándar (implementado en DEAP) donde solo varía el procedimiento de selección de padres.
Estudio de Ablación (Experimento 1): Los autores evaluaron cuatro tipos de LLM (gpt-4o, gpt-4.1 mini, gpt-5 mini y gpt-oss 20b) a través de tres configuraciones:
1. LLM: Modelo independiente con zero-shot prompting.
2. ANR (Agente sin Recuperación): Flujo de trabajo agéntico sin la herramienta RAG.
3. AR (Agente con Recuperación): Marco agéntico completo con RAG.
  Las métricas incluyeron éxito de ejecución, éxito de clasificación (acuerdo entre la familia de algoritmos reportada y la verificada manualmente), similitud de código y rendimiento descendente (Error Cuadrático Medio del conjunto de prueba).
Evaluación de Referencia (Experimento 2): La mejor configuración del Experimento 1 se comparó con implementaciones fijas y manuales de Selección por Torneo (tamaño 3) y Selección $\epsilon$ -lexicase semi-dinámica (usando Desviación Absoluta de la Mediana para $\epsilon$ ).

Resultados Clave

Impacto de RAG y Razonamiento: La inclusión del módulo RAG y el razonamiento agéntico influyeron sustancialmente en los tipos de algoritmos generados. Para modelos como gpt-4o y gpt-4.1 mini, las configuraciones de LLM independiente y ANR generaron exclusivamente Selección por Torneo. En contraste, la configuración AR desplazó la salida hacia $\epsilon$ -lexicase. Sin embargo, este cambio no mejoró uniformemente el rendimiento descendente; para algunos modelos (por ejemplo, gpt-4o), la configuración AR resultó en un rendimiento significativamente peor debido a una parametrización deficiente (por ejemplo, el uso de valores de $\epsilon$ fijos en lugar de umbrales basados en MAD).
Dependencia del Modelo: La efectividad del marco dependió altamente del LLM subyacente. El modelo gpt-5 mini exhibió una capacidad única: generó frecuentemente algoritmos $\epsilon$ -lexicase incluso sin recuperación, lo que representó el 85.7% de los algoritmos generados en la configuración LLM. Al ser equipado con RAG (5 mini–AR), generó consistentemente implementaciones establecidas de $\epsilon$ -lexicase, predominantemente utilizando umbrales de $\epsilon$ basados en MAD y variantes dinámicas o semi-dinámicas.
Rendimiento: La configuración 5 mini–AR logró un rendimiento descendente comparable a la implementación fija de $\epsilon$ -lexicase con MAD, en los seis problemas de RS. Generalmente superó a la Selección por Torneo. Notablemente, aunque 5 mini–AR generó implementaciones independientes para cada réplica, su rendimiento se mantuvo competitivo con la referencia fija, aunque exhibió una mayor varianza en casos específicos (por ejemplo, los conjuntos de datos Housing y Yacht).
Validez y Similitud: El éxito de ejecución fue alto en la mayoría de las configuraciones. Sin embargo, el éxito de la clasificación (identificación correcta de la variante específica, como $\epsilon$ -lexicase estática vs. dinámica) varió. La configuración AR a veces redujo el éxito de la clasificación para modelos que optaron por defecto por la Selección por Torneo, ya que la información recuperada condujo a implementaciones más complejas pero ocasionalmente mal clasificadas.

Significancia y Reivindicaciones
El artículo afirma que la IA agéntica demuestra el potencial de traducir el conocimiento del dominio en la generación de componentes ejecutables para sistemas evolutivos. Específicamente, el estudio proporciona evidencia de que:

Los marcos agénticos pueden automatizar con éxito la configuración de la selección de padres, yendo más allá de la simple asistencia hacia la generación autónoma de componentes algorítmicos.
La integración de RAG es crítica para guiar a los LLM hacia familias de algoritmos establecidas y efectivas (como $\epsilon$ -lexicase) que podrían no priorizar en un entorno zero-shot, aunque la calidad de la implementación resultante depende fuertemente del conocimiento interno del LLM y su capacidad para interpretar el contexto recuperado.
La configuración 5 mini–AR sirve como una prueba de concepto de que un sistema agéntico puede generar algoritmos de selección de padres que son competitivos con las implementaciones fijas definidas por expertos.

Los autores mantienen una postura modesta, señalando que, si bien el marco es un paso hacia el diseño automatizado de la PG, actualmente aísla la selección de padres y aún no valida o revisa los algoritmos generados basándose en su rendimiento descendente en un bucle cerrado. Enfatizan que el trabajo futuro debe abordar la fiabilidad de las implementaciones generadas y extender el marco a otros componentes de la PG.

Más como este